Аналіз стану якості повітря на основі порогових значень та виявлення аномалій з використанням моделей машинного навчання

Анотація

У статті розглядаються дві прикладні задачі в галузі моніторингу якості повітря на локальному рівні: класифікація стану на основі порогових значень та виявлення аномалій у мікропакетах сенсорних даних. Погіршення якості повітря має динамічний характер, що визначається вмістом твердих частинок, CO₂, температурою та відносною вологістю. Дані збиралися з сенсорів SCD41, BME688 та SPS30, які утворювали мікропакети з 10 послідовних спостережень, що зберігалися в базі даних DuckDB. На основі 33190 вимірювань було сформовано 3319 мікропакетів, кожен з яких описувався 60 статистичними ознаками. Для класифікації на основі порогових значень з використанням граничних значень для PM2.5, PM10, CO₂, температури та вологості було оцінено логістичну регресію, дерево рішень, випадковий ліс та базову модель на основі правил. Ізоляційний ліс, локальний фактор винятків з PCA та без нього, а також однокласовий SVM були оцінені щодо міток аномалій на основі правил та на мікропакетах з граничними значеннями ознак. Дерево рішень відтворило логіку мітки. Випадковий ліс досяг F1 = 0,857 під час перехресної валідації часових рядів та F1 = 0,980 на тестовому наборі. Ізоляційний ліс показав найвищий F1 щодо міток аномалій на основі правил. Локальний фактор винятків продемонстрував вищу чутливість до винятків у просторі ознак. Час навчання становив менше 500 мс, а час ухвалення рішення менш ніж 109 мс. Результати підтверджують, що обидва завдання можна реалізувати в екологічній системі моніторингу з використанням периферійних обчислень, а вибір методу повинен враховувати тип аномалії та витрати, пов’язані з помилками класифікації